Fluolab
Search K

切换日光/暗黑模式

【JACS】机器学习光谱学揭示电场对CO2电催化的定量影响 ​

总结 ​

研究通过机器学习光谱学，定量分析了电场对CO2电催化的影响。利用金属掺杂的石墨相氮化碳（g-C3N4）催化剂，研究了不同电场方向和强度下CO2分子的吸附模式和能量。 image.png

摘要 ​

本研究利用机器学习光谱学，定量分析了电场对CO2电催化的影响。以金属掺杂的石墨相氮化碳（g-C3N4）催化剂为例，理论研究了27种不同金属单原子催化剂在不同方向和强度电场下的CO2分子吸附模式和能量。通过机器学习方法，建立了红外/拉曼光谱描述符与吸附能/电荷转移之间的光谱-性质模型，量化了电场效应对CO2催化转化的促进作用。同时，基于注意力机制，挖掘了光谱与吸附模式之间的催化关系，实现了从光谱反向预测电场强度。这项工作为利用机器学习光谱学监测和调控电催化反应开辟了新的定量途径。 image.png

研究结果分类展示 ​

吸附模式与热力学性质 ​

  • 物理吸附：弱范德华力作用，CO2与催化剂表面平行排列。
  • 化学吸附：碳吸附和碳氧混合吸附，CO2与催化剂表面形成化学键。 image.png

电场效应 ​

  • 电场方向：YOZ方向电场对CO2吸附过程影响最大。
  • 电场强度：电场强度增加，CO2吸附能增强，电荷转移增加。 image.png

机器学习模型 ​

  • 模型构建：使用卷积神经网络和注意力机制，预测CO2吸附能和电场强度。 image.png

  • 模型解释性：注意力机制自动聚焦于与目标性质相关的光谱振动模式。

这项研究展示了机器学习光谱学在定量分析电场对CO2电催化影响中的巨大潜力，为未来的催化研究提供了新的思路和方法。详细信息可以在这里找到。

参考文献 ​

Cui, C.-X.; Shen, Y.; He, J.-R.; Fu, Y.; Hong, X.; Wang, S.; Jiang, J.; Luo, Y. Quantitative Insight into the Electric Field Effect on CO2 Electrocatalysis via Machine Learning Spectroscopy. J. Am. Chem. Soc. 2024, jacs.4c12174. https://doi.org/10.1021/jacs.4c12174.